论文题目：Bayesian inference in ring attractor networks

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2210622120

工作记忆被认为保存在大脑中的吸引子网络中。这些吸引子记录与每个记忆相关的不确定性，以便在出现有冲突的新证据时作出适当的权衡。然而，传统的吸引子并不代表不确定性。近日发表于PNAS的这篇文章，描述了一个简单且生物学上合理的网络模型，展示了如何将不确定性合并到吸引子中，特别是编码头部方向的环吸引子（ring attractor）。

首先，文章引入了一个严格的规范框架（圆形卡尔曼滤波器，circular Kalman filter），用于在不确定条件下对环吸引子的性能进行基准测试。接下来，文章展示了常规环吸引子中的循环连接可以重新调优以匹配此基准测试。这使得网络活动的振幅在确认性证据的响应下增长，而在低质量或强烈冲突的证据的响应下收缩。这个“贝叶斯环吸引子”（Bayesian ring attractor）执行近乎最优的角路径积分和证据积累。事实上，文章证明了贝叶斯环吸引子始终比传统的环吸引子更准确。

此外，可以在不精确调整网络连接的情况下获得接近最优的性能。最后，文章使用大规模连接组数据来证明，即使在纳入生物约束之后，网络也可以实现接近最优的性能。这篇工作演示了吸引子如何以生物学上合理的方式实现动态贝叶斯推理算法，并与头部方向系统以及任何跟踪方向、方向或周期节奏的神经系统直接相关，进行可测试的预测。

推荐阅读